A Padding Method for Enhanced Encoding of Inorganic Structures with Varying Chemical Compositions

ملخص تقني: طريقة حشو لتعزيز ترميز الهياكل غير العضوية ذات التركيبات الكيميائية المتغيرة

بيان المشكلة
يعيق اكتشاف المواد غير العضوية المبتكرة اتساع الفضاء التوليفي للتركيبات الكيميائية والمناظر الهيكلية الممكنة. وتواجه الطرق التجريبية والحسابية التقليدية صعوبة في استكشاف هذا التنوع بكفاءة. وبينما يوفر التعلم الآلي (ML)، وخاصة النماذج التوليدية مثل المشفرات التلقائية التباينية (VAEs)، مساراً واعداً لتسريع اكتشاف المواد، إلا أن الأطر الحالية تواجه قيوداً جوهرية. وتحديداً، غالباً ما تعاني الطرق الحالية، مثل "Wyckoff VAE"، من صعوبة في استيعاب التسلسلات ذات الأطوال المتغيرة الناتجة عن تركيبات كيميائية مختلفة. وهذا يستلي لتدريب نماذج منفصلة لعدد محدد من العناصر الكيميائية، مما يحد من المرونة ويمنع النموذج من التعلم من كامل تنوع بيانات التدريب. علاوة على ذلك، تفتقر النهج الحالية غالباً إلى القوة اللازمة لتوليد هياكل مستقرة وواقعية فيزيائياً عبر المساحات التركيبية المعقدة.

المنهجية
يقترح المؤلفون إطار عمل جديداً متكاملاً (end-to-end) يعيد تعريف ترميز وتوليد المواد غير العضوية من خلال نهج مدرك للتماثل. الابتكار الجوهري هو تقنية الحشو (padding technique) المستعارة من معالجة اللغات الطبيعية (NLP) للتعامل مع التركيبات الكيميائية المتغيرة ضمن تمثيل "Wyckoff" موحد.

1. الحشو المدرك للتماثل: بدلاً من تدريب عدة نماذج VAE لأعداد مختلفة من العناصر الكيميائية، تعمل الطريقة المقترحة على توحيد أبعاد مصفوفة Wyckoff. بالنسبة للهياكل المادية التي تحتوي على عناصر كيميائية أقل من الحد الأقصى المحدد للدُفعة (batch)، يتم إلحاق قيم "0" بمصفوفة Wyckoff. يضمن هذا أحجام مصفوفات موحدة بغض النظر عن عدد العناصر الموجودة، مما يسمح لنموذج VAE واحد بالتدريب على مجموعة بيانات تحتوي على تركيبات كيميائية متنوعة (على سبيل المثال، من 2 إلى 5 عناصر).
2. بنية المشفر (Encoder Architecture): يستخدم النظام VAE مع مشفر يضغط البيانات المدخلة (الصيغة الكيميائية، رقم المجموعة الفراغية، وقاموس مواقع Wyckoff) إلى فضاء كامن (latent space)، ومفكك شفرة (decoder) لإعادة بناء أو توليد هياكل جديدة. تتضمن معالجة المدخلات ما يلي:
   • الترميز التركيبي: رسم خرائط للأعداد الذرية إلى مصفوفات "one-hot" وحساب النسب القياسية (stoichiometric ratios)، مع الحشو لطول ثابت ($n_e$).
   • توصيف المجموعة الفراغية: ترميز أرقام المجموعات الفراغية كمتجهات "one-hot".
   • توصيف مواقع Wyckoff: تحليل تسميات Wyckoff (مثل "4a") إلى مؤشرات مواقع وتعددية، لإنشاء مصفوفة سمات ذات أبعاد ثابتة.
3. خط الإنتاج المتكامل (End-to-End Pipeline): يدمج إطار العمل النمذجة التوليدية مع تحليل الاستقرار:
   • التدريب: يتم تدريب VAE باستخدام أربعة دوال للخسارة (loss functions): تباعد KL، خسارة المجموعة الفراغية، خسارة إعادة البناء، وخسارة موقع Wyckoff.
   • التوليد: يتم توليد مرشحات جديدة عن طريق أخذ عينات من الفضاء الكامن مع إضافة ضوضاء غاوسية (Gaussian noise)، ثم فك تشفيرها إلى مواقع Wyckow ومجموعات فراغية.
   • التحقق: يتم التحقق من المواقع المفككة لضمان اتساقها البلورية. تُحول الهياكل الصالحة إلى إحداثيات ذرية ثلاثية الأبعاد باستخدام مكتبة Pyxtal.
   • فحص الاستقرار: يتم إرخاء الهياكل باستخدام جهود تعلم آلي سابقة التدريب (CHGNet أو M3GNet) للتنبؤ بالطاقة الكلية. يتم تقييم الاستقرار عن طريق حساب الطاقة فوق الغلاف (Energy Above Hull - $E_{Hull}$) باستخدام بيانات من Materials Project. ويتم الاحتفاظ بالمرشحات التي تقل عن عتبات محددة (0.08، 0.1، و0.5 إلكترون فولت/ذرة).

المساهمات الرئيسية

• تمثيل موحد: إن تقديم تقنية حشو مدركة لطول موقع Wyckoff يتيح تدريب نموذج VAE واحد على مجموعات بيانات ذات تركيبات كيميائية متغيرة، مما يلغي الحاجة إلى نماذج خاصة بكل تركيب.
• تعزيز المتانة: من خلال الاستفادة من كامل تنوع بيانات التدريب، يلتقط النموذج نطاقاً أوسع من الأنماط الهيكلية والتركيبية، مما يحسن توليد مرشحات غير عضوية متنوعة وغير مستكشفة سابقاً.
• تحليل استقرار متكامل: يجمع النظام بسلاسة بين النمذجة التوليدية وفحص الاستقرار الديناميكي الحراري، مما يوفر مساراً من البيانات الأولية إلى تصميم مواد مستقرة ومحققة دون الاعتماد على نظرية الدالة الكثافية (DFT) المكلفة حاسوبياً لكل مرشح.

النتائج التجريبية
تم تقييم الطريقة على ثلاث مجموعات بيانات مرجعية: Perov-5 (البيروفسكايت)، mp-20 (المواد غير العضوية العامة)، و Proton-conductor (الإلكتروليتات السيراميكية).

• دقة إعادة البناء: حققت الطريقة المقترحة دقة إعادة بناء تنافسية أو متفوقة مقارنة بالنموذج المرجعي Wyckoff VAE.
  • في مجموعة بيانات Proton-conductor، حسنت الطريقة دقة Wyckoff بنسبة 5.3% (88.0% مقابل 82.7% لـ 5_chem) مقارنة بالنموذج المرجعي.
  • في مجموعة بيانات mp-20، أظهرت تحسينات بنسبة 1.4–2% في دقة Wyckoff وما يصل إلى 1.8% في دقة المجموعة الفراغية (Space Group).
  • في مجموعة Perov-5، طابقت الطالة دقة النموذج المرجعي شبه المثالية (99.9% لـ Wyckoff، و100% لـ SG) مع التعامل مع تعقيدات متعددة في آن واحد.
• توليد مواد مستقرة: ولدت الطريقة باستمرار عدداً أكبر من الهياكل غير العضوية المستقرة عبر جميع مجموعات البيانات والعتبات.
  • في Perov-5، باستخدام CHGNet، ولدت الطريقة 63.5% أكثر من الهياكل المستقرة عند عتبة 0.08 إلكترون فولت/ذرة لأنظمة 3_chem مقارنة بالنموذج المرجعي.
  • في مجموعة بيانات Proton-conductor، كان التحسن هائلاً عند اقترانه بـ M3GNet، حيث ولد عدداً أكبر بكثير من المرشحات المستقرة (على سبيل المثال، 366 مقابل 26 لـ 4_chem عند 0.5 إلكترون فولت/ذرة).

الأهمية
تزعم الورقة أن هذا النهج يمثل قفزة نوعية في الاستكشاف والتصميم الآلي للمواد غير العضوية من الجيل القادم. ومن خلال معالجة قيود أطر العمل التوليدية الحالية في التعامل مع التنوع التركيبي، تمكن هذه الطريقة من إنتاج عدد أكبر من المواد غير العضوية المستقرة والفريدة والمتنوعة. إن القدرة على تدريب نموذج واحد على بيانات متنوعة مع الحفاظ على دقة عالية في إعادة البناء وتوليد مرشحات مستقرة تشير إلى مسار أكثر كفاءة وقابلية للتوسع لاكتشاف المواد، مما يدعم التقدم في مجالات تتراوح من تخزين الطاقة إلى الحفز الكيميائي. كما أن دمج تحليل الاستقرار مباشرة في خط إنتاج التوليد يضمن أن المخرجات ليست مبتكرة هيكلياً فحسب، بل هي أيضاً قابلة للتطبيق من الناحية الديناميكية الحرارية.